技能并非孤岛：衡量智能体技能供应链中的依赖性与风险

智能体技能为大型语言模型（LLM）智能体封装了可复用的操作知识，但随着其范围的扩大，它们变成了带有依赖性的工件，其身份、版本和来源仍然隐式不明。这种不透明性已经导致了重复的依赖和不一致的安装，暴露了依赖管理尚未弥合的差距。我们引入了智能体技能供应链（ASSC）来描述混合的技能-包-服务依赖图，并帮助弥合这一差距。借鉴软件物料清单（SBOM），我们设计了 SkillDepAnalyzer 来捕获自然语言依赖证据，并将技能建模为带有依赖性的工件。在 SKILL-DEP 基准上，SkillDepAnalyzer 准确且全面地恢复了技能元数据和依赖图，显著优于基于 LLM 的基线和以包为中心的 SBOM 工具。将 SkillDepAnalyzer 应用于超过 143 万个技能，我们获得了 ASSC 并探索了其结构多样性和安全信号。我们发现了四种结构模式：技能元数据已可用于激活但治理薄弱；依赖图跨越技能、包和服务依赖，且复用集中；递归技能复用扩展了依赖图并创造了隐藏的包清单；技能依赖集群围绕相关工作流形成。我们还发现，仅检查技能本身会遗漏隐藏在其依赖中的安全相关信号。通过分析 ASSC，我们识别并报告了持续存在于 ASSC 中的已知恶意技能给其开发者。基于这些发现，我们建议为技能基础设施维护者提供类型化依赖清单、一流的依赖集群管理、风险警告审计命令，并为技能开发者提供类似锁文件的记录。